原 書 前 言
統(tǒng)計(jì)方法的目標(biāo)是減少數(shù)據(jù)。 一定數(shù)量的數(shù)據(jù)將被相對(duì)較少數(shù)量的數(shù)據(jù)替換，這些數(shù)量的數(shù)據(jù)應(yīng)充分表示出原始數(shù)據(jù)中包含的相關(guān)信息。由于數(shù)據(jù)提供的獨(dú)立事實(shí)的數(shù)量通常遠(yuǎn)大于所尋求的事實(shí)的數(shù)量，因此實(shí)際樣本提供的大部分信息是無(wú)關(guān)緊要的。用于減少數(shù)據(jù)的統(tǒng)計(jì)過(guò)程的目標(biāo)是排除這些不相關(guān)的信息，并分離出數(shù)據(jù)中包含的所有相關(guān)信息。
——R.A.Fisher (1922)
這段話出自偉大的統(tǒng)計(jì)學(xué)家之一 R.A. Fisher。我想說(shuō)，這句話包含了機(jī)器學(xué)習(xí)的精髓，盡管與20世紀(jì)相比，很多事情都發(fā)生了變化。例如，現(xiàn)在我們通常面對(duì)的數(shù)據(jù)集的觀察數(shù)量遠(yuǎn)遠(yuǎn)大于不同特征的集合。那時(shí)，F(xiàn)isher 研究的數(shù)據(jù)集可能是 Iris 數(shù)據(jù)集，但現(xiàn)在我們可以處理數(shù)百萬(wàn)個(gè)樣本的數(shù)據(jù)集，因此所有經(jīng)典理論結(jié)果都可以輕松滿足（如中心極限定理）。另外，在許多現(xiàn)代應(yīng)用中，維度問(wèn)題仍然存在，因此這些詞在機(jī)器學(xué)習(xí)社區(qū)中仍然非常重要。換個(gè)說(shuō)法，斯坦福大學(xué)的計(jì)算機(jī)科學(xué)家吳恩達(dá)近表示：特征提取既困難又耗時(shí)，需要專業(yè)知識(shí)。
以我而言，特征工程是降維的現(xiàn)代概念，因?yàn)樗鼈冎荚谶M(jìn)行特征提取以提高模型的性能。實(shí)質(zhì)上，將“機(jī)器學(xué)習(xí)”一詞包含在“降維”中會(huì)非常易于理解。
機(jī)器學(xué)習(xí)在過(guò)去十年中獲得了極大的普及，這不僅是因?yàn)槿藗冊(cè)谌粘：?jiǎn)單操作中產(chǎn)生了大量可用數(shù)據(jù)，還因?yàn)槿藗兤毡檎J(rèn)為從數(shù)據(jù)中學(xué)習(xí)可以做出更好的決策及更好地了解正在研究的現(xiàn)象。
在非�；\統(tǒng)的術(shù)語(yǔ)中，機(jī)器學(xué)習(xí) (Machine Learning, ML) 可以理解為允許系統(tǒng)自主執(zhí)行特定任務(wù)的一組算法和數(shù)學(xué)模型，提供與模型相關(guān)的分?jǐn)?shù)和度量來(lái)評(píng)估其性能。 它有時(shí)會(huì)與預(yù)測(cè)（數(shù)值）分析相混淆，后者確實(shí)是機(jī)器學(xué)習(xí)的一部分，但與統(tǒng)計(jì)學(xué)習(xí)更加相關(guān)。 機(jī)器學(xué)習(xí)方法的應(yīng)用范圍廣泛，如從圖像識(shí)別到文本分析中的主題檢測(cè)，從預(yù)測(cè)患者是否會(huì)患乳腺癌到預(yù)測(cè)3個(gè)月后的股票價(jià)格。
機(jī)器學(xué)習(xí)的主要目標(biāo)是基于一組特征來(lái)預(yù)測(cè)結(jié)果。 該模型在一組數(shù)據(jù)上進(jìn)行訓(xùn)練，其中目標(biāo)變量可用，并獲得預(yù)測(cè)器（或?qū)W習(xí)器）。 然后，該預(yù)測(cè)器用于預(yù)測(cè)新數(shù)據(jù)的結(jié)果，這些數(shù)據(jù)在訓(xùn)練時(shí)不可用。通常，一個(gè)好的預(yù)測(cè)器是能夠準(zhǔn)確預(yù)測(cè)目標(biāo)變量的。
管道（Pipeline）描述了一種判別式監(jiān)督學(xué)習(xí)方法，人們的目標(biāo)是根據(jù)某些特征X預(yù)測(cè)目標(biāo)變量y。在本書中，我們將重點(diǎn)關(guān)注收縮估計(jì)器、支持向量機(jī)算法、集成方法及其在結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)上的應(yīng)用。 然而，在許多應(yīng)用中，我們可能只想找到目標(biāo)和特征之間的某種關(guān)系：這就需要無(wú)監(jiān)督學(xué)習(xí)方法。 盡管我們將更多地關(guān)注有監(jiān)督的技術(shù)，但也會(huì)關(guān)注降維技術(shù)，如主成分分析（PCA）。本質(zhì)上，PCA是一種旋轉(zhuǎn)數(shù)據(jù)集的方法，旋轉(zhuǎn)后的特征在統(tǒng)計(jì)的意義下是不相關(guān)的。
編寫本書的目的是向讀者介紹從業(yè)者用來(lái)解決機(jī)器學(xué)習(xí)問(wèn)題的主要現(xiàn)代算法，以及從線性模型到易于處理非線性關(guān)系的現(xiàn)代方法。
本書是為廣大的技術(shù)讀者而設(shè)計(jì)的：一方面，本書是為博科尼大學(xué)的學(xué)生編寫的，他們所學(xué)的專業(yè)為應(yīng)用科學(xué)，但很可能想學(xué)習(xí)現(xiàn)代機(jī)器學(xué)習(xí)技術(shù)，以將現(xiàn)代應(yīng)用程序擴(kuò)展到經(jīng)濟(jì)學(xué)、金融、社會(huì)和政治科學(xué)中； 另一方面，我堅(jiān)信對(duì)于所有想要在數(shù)據(jù)科學(xué)和分析任務(wù)中使用機(jī)器學(xué)習(xí)的人來(lái)說(shuō)，本書是一個(gè)非常好的袖珍伙伴（pocket-friend）。 實(shí)際上，本書作為一種cookbook類書籍，其中介紹了統(tǒng)計(jì)模型，并提供了相應(yīng)的代碼部分，以將這些概念始終如一地應(yīng)用于實(shí)際問(wèn)題。
我在大多數(shù)地方都故意避免使用數(shù)學(xué)，因?yàn)槲蚁嘈潘�（有時(shí)）會(huì)分散本書的主要目標(biāo)，即賦予初學(xué)者學(xué)習(xí)機(jī)器學(xué)習(xí)方法的能力。 同樣，在本書的許多部分，我們?cè)谇逦�闡述和簡(jiǎn)潔之間選擇了前者。 我知道本書提供的大多數(shù)代碼都可以省略，但這里進(jìn)行了合理選擇，以便向廣泛的目標(biāo)受眾說(shuō)明方法。
本書的主要目標(biāo)讀者是從業(yè)者，他們不需要研究算法背后的數(shù)學(xué)知識(shí)。如果讀者有需要，那么強(qiáng)烈建議通過(guò)閱讀技術(shù)書籍和特定論文來(lái)加深這些概念。如果讀者對(duì)所提出算法背后的數(shù)學(xué)感興趣，那么有很多關(guān)于技術(shù)方面的書籍，這在本書中會(huì)提到。
本書的關(guān)鍵是引導(dǎo)讀者使用不同的方法，從 Bagging 到現(xiàn)代 XGBoost，這可能是機(jī)器學(xué)習(xí)從業(yè)者的。 這實(shí)際上是本書的一個(gè)亮點(diǎn)：據(jù)我所知，還沒(méi)有一本書特別關(guān)注近的集成方法，如 XGBoost 或 CatBoost。
Python 是進(jìn)行分析的高級(jí)語(yǔ)言。這是應(yīng)用機(jī)器學(xué)習(xí)的現(xiàn)代語(yǔ)言，現(xiàn)代軟件和技術(shù)很多都是用這種語(yǔ)言開發(fā)的。 請(qǐng)注意，Python 是一個(gè)開源軟件，可以從以下鏈接下載：https://www.python.org。它允許任何人輕松高效地生產(chǎn)、推廣和維護(hù)軟件。 此外，我相信一旦學(xué)習(xí)Python，就會(huì)很容易跟隨機(jī)器學(xué)習(xí)社區(qū)的發(fā)展和改進(jìn)。
本書結(jié)構(gòu)如下：
第1章描述了機(jī)器學(xué)習(xí)算法遵循的標(biāo)準(zhǔn)流程，包括標(biāo)準(zhǔn)預(yù)處理和更高級(jí)的技術(shù)，如用于降維的主成分分析（PCA），并介紹了偏差之間的基本關(guān)系和機(jī)器學(xué)習(xí)的方差。所有的技術(shù)都附有實(shí)際例子。
第2章介紹了機(jī)器學(xué)習(xí)中的一個(gè)關(guān)鍵概念，即收縮。當(dāng)人們必須處理許多特征時(shí)（如在遺傳學(xué)中），這非常有用，并且介紹了Ridge 和 Lasso 等技術(shù)。此外，本章還區(qū)分了分類和回歸技術(shù)，首先介紹邏輯回歸模型，然后介紹支持向量機(jī)，這是當(dāng)數(shù)據(jù)線性可分時(shí)使用的兩個(gè)分類器。非線性支持向量機(jī)也將受到極大的關(guān)注。
第3章介紹了流行的機(jī)器學(xué)習(xí)技術(shù)之一，即集成方法，包括隨機(jī)森林、梯度提升及相應(yīng)的應(yīng)用。本章介紹的XGBoost 算法是任何機(jī)器學(xué)習(xí)者的得力工具，并對(duì) SHAP 值進(jìn)行了精彩的討論，這是向非技術(shù)讀者解釋任何模型輸出的一個(gè)較好工具。
第4章介紹了可以進(jìn)一步研究機(jī)器學(xué)習(xí)的兩個(gè)主要領(lǐng)域：自然語(yǔ)言處理和深度學(xué)習(xí)。兩者都是非常熱門的話題，社區(qū)正在不斷努力改進(jìn)可用的模型。我強(qiáng)烈建議有興趣的讀者通過(guò)給定的參考資料加深對(duì)自然語(yǔ)言處理和深度學(xué)習(xí)的學(xué)習(xí)。
由于本書的目標(biāo)受眾是廣泛的讀者，因此還設(shè)置了附錄APython速成教程：這樣不僅介紹了基礎(chǔ)知識(shí)，而且還介紹了更廣泛的概念，例如面向?qū)ο蟮木幊獭?br>為了便于使用所提出的方法并提高可讀性，創(chuàng)建了一個(gè)特定于本書的庫(kù)，稱為 egeaML，該庫(kù)可在GitHub上的https://github.com/andreagiussani/Applied_Machine_Learning_with_Python上公開獲得。
用戶可按照GitHub倉(cāng)庫(kù)中的說(shuō)明進(jìn)行安裝。注意，用戶可以直接在任何NoteBook環(huán)境中安裝它，如Jupyter或Colab，只需輸入并運(yùn)行以下代碼段：
!pip install git+https://github.com/andreagiussani/Applied_Machine_Learning_with_Python.git
這里的“！”操作符用來(lái)告訴NoteBook這不是 Python 代碼，而是命令行腳本。 本書中使用的數(shù)據(jù)集可以在Git Hub倉(cāng)庫(kù)中輕松訪問(wèn)。 此外，Git Hub倉(cāng)庫(kù)將定期更新材料，因此強(qiáng)烈建議讀者經(jīng)常檢查它。
致謝
我要感謝許多幫助我寫這本書的人。他們中的大多數(shù)人都給予了我繼續(xù)這個(gè)項(xiàng)目的支持和動(dòng)力，他們中的一些人給出了有趣的見(jiàn)解和建議。如果沒(méi)有他們的幫助，這個(gè)項(xiàng)目永遠(yuǎn)不會(huì)開花結(jié)果。其中，我要感謝Alberto Clerici，他是個(gè)對(duì)這個(gè)項(xiàng)目非常感興趣的人，他幫助我完成了本書的終版本。我還要感謝Marco Bonetti，他對(duì)統(tǒng)計(jì)學(xué)習(xí)方法的興趣極大地幫助了我每天提高自己，這無(wú)疑改善了書稿。我還要感謝Egea，他讓我有機(jī)會(huì)以極大的靈活性來(lái)編寫這本書稿，同時(shí)也要感謝Egea對(duì)本書的策劃和準(zhǔn)備提供的支持。后，我還要感謝許多同事和朋友，他們與我討論了這個(gè)項(xiàng)目并給了我重要的見(jiàn)解，其中，我要感謝Alberto Arrigoni，他與我就這個(gè)有趣的話題進(jìn)行了愉快的交談，以及Giorgio Conte，他幫助我構(gòu)建了GitHub項(xiàng)目。